UM ESTUDO SOBRE O USO DE REPRESENTAÇÕES ESPARSAS PARA DIAGNÓSTICO AUTOMÁTICO DE MELANOMA

Resumo

A possibilidade de tratamento e cura de diversas doenças tem relação direta com um diagnóstico precoce, já que, quanto antes identificadas, maiores são as chances de recuperação do paciente. O diagnóstico de muitas doenças pode ser obtido através de técnicas de imageamento, amplamente utilizadas na medicina para a classificação de doenças. Diante disso, é possível destacar a relevância da obtenção e da análise das imagens resultantes do processo de imageamento. Entretanto, principalmente em países em desenvolvimento, é notória a dificuldade e a demora no agendamento de consultas com médicos especialistas, o que gera um atraso involuntário no diagnóstico e, por consequência, um adiamento no início do tratamento. Nos últimos anos, surgiram diversas propostas de implementação de sistemas automáticos de diagnóstico de doenças, visando a disponibilização dos mesmos a postos de saúde, bem como a criação de aplicativos que possam realizar esse procedimento remotamente, fornecendo ao usuário uma resposta mais rápida e eficiente. Com isso, esse trabalho apresenta um estudo inicial sobre a utilização de representações esparsas neste contexto. Especificamente, foram avaliados métodos bem conhecidos de aprendizagem de máquina para a classificação automática de imagens de lesão de pele como sendo ou não um melanoma, doença na qual as células que produzem os pigmentos responsáveis pela cor da pele tornam-se cancerígenas. Seguindo esta ideia, foi empregado um histograma de distribuição de cores quantizadas para representar esparsamente cada imagem e variados métodos de aprendizagem, sendo eles, KNN (K Neartest Neighbors K vizinhos mais próximos), SVM (Support Vector Machine Máquina de Vetores e Suporte) com kernel linear, classificador Bayesiano (Naive) e Árvore de Decisão (Decision Tree), os quais foram aplicados para classificar as imagens lesões de pele disponibilizadas online na base de domínio público intitulada DermIS. Foram utilizadas 70% das imagens para treinamento e 30% para teste. Ao fim dos testes, foi possível constatar que a taxa de erro mínima, de 25%, foi obtida pelo KNN, que apresentou pelo menos 5% a menos de erro que os demais métodos. Assim, as etapas detalhadas neste trabalho servirão como base de comparação para trabalhos futuros, os quais tem como objetivo o desenvolvimento de novos métodos de aprendizagem baseados em redes neurais e representações esparsas para o processamento e análise de imagens médicas, que mais à frente possam ser implantados em um sistema de diagnóstico automático.